实例分析机器学习在酒店服务领域的实践

　　在携程技术中心推出的线上公开课程［携程技术微分享］上，来自携程酒店研发的BI经理潘鹏举，介绍了如何借助大数据和算法，通过机器学习去克服酒店服务行业挑战，给用户带来更好的服务体验，给公司带来效率提升，希望能对你有所启发。

　　携程是一个在线OTA服务公司。不同于其他行业，酒店OTA有一些自己的特点，比如天生限时限购、每个酒店库存固定、跟酒店直接谈合作房型等。作为第三方平台，OTA酒店行业也面临众多挑战，比如我们无法掌握实际库存，依赖酒店行为；有些酒店设备落后，导致无法系统直连、无法接入EBK系统，所以管理起来比较困难。

　　虽然有种种挑战，但我们仍希望能为用户提供良好的预订体验，酒店服务主要从好、快、准三个方面来衡量。“好”的KPI包括“到店无房率”和“到店无预订率”，“快”包括“订单确认时长”和“立即确认率”，“准”则包括了“信息准”、“价格准”、“房态准”。

　　目前来说，很多指标都控制在极低的水平上。 但随着业务量的持续增长，持续增加客服人员来维持高服务水准就变得不太现实，因此借助于技术手段来实现自动化、智能化是一个很好的方向，机器学习算法在其中扮演了一个很重要的角色。

　　携程每天产生2亿PV，10TB的数据量。但 数据大！=价值大，在实践中我们主要会用到业务数据和用户行为数据，业务数据包括了订单数据、房态、房价等数据，用户行为数据包括了用户点击、浏览等数据。

　　一般性数据时效性越高，数据价值越大，未来的人工智能就是基于过去和当前的状态来预测未来，再用预测来影响未来。打个比方，如果你只利用过去的数据，比如统计报表、数据分析，那么你就挖到了银矿，因为分析过去的数据只能控制未来不会犯同样的错误，但若结合过去和当下的数据预测了未来，那么可就挖到钻石，因为可以用预测结果和实际进行对比发现新的黑天鹅现象，从而来指导业务进行转变。

　　接下来我们看看一些实践案例，看一下机器学习算法是怎么提高业务水平的。

　　一、机器学习提升用户预订极致体验

　　在服务指标中，“快”体现了我们的服务速度，有两个重要KPI：立即确认和订单确认时长。我们有个业务逻辑叫保留房，是酒店承诺给携程的库存量。针对保留房我们可以立即确认订单给客人，确认时长为零。针对非保留房，确认速度比较慢，需要等酒店回复信息之后才能确认订单给客人，导致客人体验差，当然并不是所有的酒店都愿意和我们签订保留房，并且保留房有时间限制，到了入住日晚上X点以后，保留房就失效了，所以非保留房的存在，决定了“快”的服务水准。针对提高非保留房的服务水准是我们的一个很重要的课题。

　　确认流程简图

　　对整个流程进行分析，我们发现有两个可以优化的点：

　　非保留房的确认率90%+，也就是我们的推翻的订单10%都不到，如果我们可以对非保留房里面的确认概率高（确认准确率99%+，与保留房的确认率持平）的订单先确认，那么实际上非保留房的流程可以遵循保留房的流程，我们暂且叫虚拟保留房。针对怎么挑出这些确认概率高的订单命题，机器学习算法就起作用了；

　　红色部分“等待至X分钟“设置的不合理，因为有些酒店在X分钟内是肯定不回传的，还要硬等X分钟，导致很多订单确认时长就白白多了X分钟。那么针对哪些订单是肯定不回传，哪些是回传的命题，机器学习算法就发挥作用了。